基于改進(jìn)SVM的風(fēng)機(jī)SCADA系統(tǒng)故障分類識(shí)別方法研究.pdf

1、目前，風(fēng)機(jī)遠(yuǎn)程監(jiān)控系統(tǒng)一般都采用數(shù)據(jù)采集與監(jiān)控（SCADA）系統(tǒng)。然而，在實(shí)際風(fēng)機(jī)運(yùn)行中，由于風(fēng)機(jī)本身硬件結(jié)構(gòu)、系統(tǒng)保護(hù)以及外部復(fù)雜環(huán)境等的影響，風(fēng)機(jī)有時(shí)會(huì)因一個(gè)故障引發(fā)同一時(shí)間內(nèi)的一連串故障。目前的 SCADA系統(tǒng)會(huì)同時(shí)顯示出一系列的故障報(bào)警信號(hào)，但無(wú)法顯示出真正的故障源，造成故障的無(wú)法自動(dòng)識(shí)別，使得風(fēng)電維護(hù)人員（工人師傅）很難找到最初的故障源。因此只能根據(jù)個(gè)體的經(jīng)驗(yàn)去判斷故障源，逐一排除不正確的故障源，這耗費(fèi)了很多人力物力，同時(shí)也增

2、加了停機(jī)時(shí)間。因此，如何快速的找到故障源，減少維修時(shí)間，提高有效運(yùn)行時(shí)間變得十分關(guān)鍵?；谶@樣的背景，結(jié)合上海電氣集團(tuán)風(fēng)電公司的在研 SCADA系統(tǒng)項(xiàng)目，本文提出了通過(guò)算法的訓(xùn)練學(xué)習(xí)建立智能故障專家?guī)斓姆椒?，使其能智能化的識(shí)別故障。本文主要研究?jī)?nèi)容如下：
　　針對(duì)上述提出的問(wèn)題，本文將同一時(shí)間內(nèi)發(fā)生的大量故障信息作為故障特征進(jìn)行訓(xùn)練，將經(jīng)驗(yàn)值作為分類類別，構(gòu)建較好的 SVM分類器，以此來(lái)完成故障的自動(dòng)分類識(shí)別,從而建立起故障專家?guī)?/p>

3、，從而加快了故障排查的時(shí)間，提高維修效率。
　　針對(duì)支持向量機(jī)（SVM）分類器中的重要參數(shù)c、g。本文利用量子遺傳算法（QGA）來(lái)找尋最佳c、g值。為解決QGA收斂速度慢、易陷入局部極值等問(wèn)題，引進(jìn)了動(dòng)態(tài)量子旋轉(zhuǎn)門用來(lái)根據(jù)進(jìn)化過(guò)程動(dòng)態(tài)的調(diào)整量子旋轉(zhuǎn)角。調(diào)整策略為：進(jìn)化前期給定一個(gè)較大的旋轉(zhuǎn)角，然后隨著進(jìn)化代數(shù)的增加，逐漸縮小旋轉(zhuǎn)角。同時(shí)，引進(jìn)了量子變異。通過(guò)典型函數(shù)的測(cè)試驗(yàn)證了改進(jìn)的QGA比傳統(tǒng)QGA更有效。
　　將改進(jìn)的Q